一种业务意愿与确定性网络切片关联方法技术

本发明专利技术涉及计算机技术领域，具体的说是一种业务意愿与确定性网络切片关联方法，包括以下步骤：步骤S1：业务集超图与设施集超图输入；步骤S2：超图注意力机制的输入；步骤S3：卷积核设计：通过聚合邻居节点的信息以提取原始数据隐藏的重要特征，并更新当前节点的状态，从而达到预测的效果；步骤S4：激活函数和损失函数选取；步骤S5：通过多轮训练得到业务集超图与设施集超图预测关联模型。通过参数、超图注意力卷积核、激活函数和损失函数的设计与选取，从而预测关联模型，快速的将业务意愿与网络切片进行匹配，进而提高工作效率。进而提高工作效率。

【技术实现步骤摘要】
一种业务意愿与确定性网络切片关联方法


[0001]本专利技术涉及计算机
，具体的说是一种业务意愿与确定性网络切片关联方法。

技术介绍

[0002]体现业务意愿的确定性网络的研究已经成为前沿热点。ONF制定了意图网络架构的标准草案。Gartner发布了基于意愿网络系统所需具备能力报告。思科也发布了《ESG：向基于意愿网络迈进白皮书》。然而，业务意愿与网络切片属于不同层面的理念，业务意愿与网络切片关联机制及影响机理尚未有效揭示。研究业务意愿与网络切片关联机制具有重大理论意义及实用价值。
[0003]现有意愿获取方法都假定存在确定性网络切片的服务配置文件（请求图、概要或者虚拟化网络功能），且配置文件需要包括服务图和附加的服务属性，如防火墙和负载均衡器等各个中间件及各节点链接的边约束（链路带宽、丢包等）。然而，业务应用、网络运营、基础设施三者独立发展。应用日新月异、千差万别，新兴业务的开通时间由过去以年为单位到现在以天或者小时甚至分钟为单位，且业务具有多场景性，同一业务有可能在不同的场景具有完全不同的特性，业务只知道应用的定性需求。这些因素导致业务意愿难以理解。随选网络提供的切片则只包含相关的网络功能、各个网络功能所带的属性、各个属性所消耗的网络资源、各个功能之间的依赖关系、切片所服务的场景等；基础设施具有多模态性，同一设施在虚拟化后可以组装成不同的虚拟化网络功能。这导致业务意愿与网络切片不能直接匹配，需要深层次地挖掘业务意愿与网络切片的关联机制。

技术实现思路

[0004]针对现有技术中的问题，本专利技术提供了一种业务意愿与确定性网络切片关联方法。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种业务意愿与确定性网络切片关联方法，包括以下步骤：步骤S1：业务集超图与设施集超图输入；步骤S2：超图注意力机制的输入：基于体现业务意愿的确定性网络数据集构建的关联规则数据集，将这些信息表示为带或不带属性的节点或边、加权或无权重的边和有向或无向的边，作为BERT的自适应分级多层图注意力机制；步骤S3：卷积核设计：通过聚合邻居节点的信息以提取原始数据隐藏的重要特征，并更新当前节点的状态，从而达到预测的效果；步骤S4：激活函数和损失函数选取；步骤S5：通过多轮的训练得到业务集超图与设施集超图预测关联模型。
[0006]具体的，步骤S1具体为：步骤S11：基于体现业务意愿的确定性网络数据集；
步骤S12：通过词嵌入张量把业务意愿的功能与设施的网络功能进行对应，业务意愿的性能与设施各网络功能所需要消耗的各种网络资源的数量进行对应；通过语句分块张量把业务场景与网络服务功能链进行对应，从而在进行模型预测时自动添/删相关网络功能；通过位置编码张量标记各个网络功能的位置关系；步骤S13：将步骤S12中得到的3个向量加和形成BERT的输入编码。
[0007]具体的，所述步骤S2中：根据节点类型及数量设置多层分级注意力，每一层注意力由节点级和边级两级注意力构成，其中：节点级注意力用来调节节点的K跳邻居节点及其与K跳邻居节点之间的最短路径对该节点的重要性；边级注意力用来调节K跳相邻边及其端节点对该边的重要性。
[0008]具体的，步骤S2中自适应是指依据损失函数结果自适应调整与更新分级注意力机制中的跳数K。
[0009]具体的，步骤S3具体为：基于步骤S2设计的分级多层图注意力机制，通过路径长度设置神经网络卷积层的层数，即若一个卷积层至多聚合m跳的节点和边的信息，则该层的下一卷积层至多聚m
‑
1跳的信息进行状态更新。
[0010]具体的，步骤S4的具体流程如下：步骤S41：先采用多种激活函数加权组合的形式，将两种激活结果进行加权平均；步骤S42：基于新构建的图注意力网络输入形式对现有激活函数进行扩展；步骤S43：选择损失函数；步骤S44：将所述的损失函数与激活函数比对，训练前后相邻节点之间的得分和任意一对节点之间的得分差异。
[0011]具体的，步骤S41中：所采用的激活函数包括但不限于Sigmoid、ReLU、Tanh、ELU、Leaky ReLU。
[0012]本专利技术的有益效果：基于体现业务意愿的确定性网络数据集，把业务集超图与设施集超图作为BERT的双向编码，关联规则集作为BERT的初始注意力，通过参数、超图注意力卷积核、激活函数和损失函数的设计与选取，从而预测关联模型，快速的将业务意愿与网络切片进行匹配，进而提高工作效率。
具体实施方式
[0013]为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。
[0014]本专利技术所述的一种业务意愿与确定性网络切片关联方法，包括以下步骤：步骤S1：业务集超图与设施集超图输入；步骤S2：超图注意力机制的输入：基于体现业务意愿的确定性网络数据集构建的关联规则数据集，将这些信息表示为带或不带属性的节点或边、加权或无权重的边和有向或无向的边，作为BERT的自适应分级多层图注意力机制；步骤S3：卷积核设计：通过聚合邻居节点的信息以提取原始数据隐藏的重要特征，并更新当前节点的状态，从而达到预测的效果；步骤S4：激活函数和损失函数选取；
步骤S5：通过多轮的训练得到业务集超图与设施集超图预测关联模型。
[0015]具体的，步骤S1具体为：步骤S11：基于体现业务意愿的确定性网络数据集；步骤S12：通过词嵌入张量把业务意愿的功能与设施的网络功能进行对应，业务意愿的性能与设施各网络功能所需要消耗的各种网络资源的数量进行对应；通过语句分块张量把业务场景与网络服务功能链进行对应，从而在进行模型预测时自动添/删相关网络功能；通过位置编码张量标记各个网络功能的位置关系；步骤S13：将步骤S12中得到的3个向量加和形成BERT的输入编码。
[0016]具体的，所述步骤S2中：根据节点类型及数量设置多层分级注意力，每一层注意力由节点级和边级两级注意力构成，其中：节点级注意力用来调节节点的K跳邻居节点及其与K跳邻居节点之间的最短路径对该节点的重要性；边级注意力用来调节K跳相邻边及其端节点对该边的重要性。
[0017]具体的，步骤S2中自适应是指依据损失函数结果自适应调整与更新分级注意力机制中的跳数K。
[0018]具体的，步骤S3具体为：基于步骤S2设计的分级多层图注意力机制，通过路径长度设置神经网络卷积层的层数，即若一个卷积层至多聚合m跳的节点和边的信息，则该层的下一卷积层至多聚m
‑
1跳的信息进行状态更新。
[0019]具体的，步骤S4的具体流程如下：步骤S41：先采用多种激活函数加权组合的形式，将两种激活结果进行加权平均；步骤S42：基于新构建的图注意力网络输入形式对现有激活函数进行扩展；步骤S43：选择损失函数；步骤S44：将所述的损失函数与激活函数比对，训练前后相邻节点之间的得分和任意一对节点之间的得分差异。
[0020]具体的，步骤S41中：所采用的激活函数包括但不限于Sigmoid、ReL本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种业务意愿与确定性网络切片关联方法，其特征在于，包括以下步骤：步骤S1：业务集超图与设施集超图输入；步骤S2：超图注意力机制的输入：基于体现业务意愿的确定性网络数据集构建的关联规则数据集，将这些信息表示为带或不带属性的节点或边、加权或无权重的边和有向或无向的边，作为BERT的自适应分级多层图注意力机制；步骤S3：卷积核设计：通过聚合邻居节点的信息以提取原始数据隐藏的重要特征，并更新当前节点的状态，从而达到预测的效果；步骤S4：激活函数和损失函数选取；步骤S5：通过多轮的训练得到业务集超图与设施集超图预测关联模型。2.根据权利要求1所述的一种业务意愿与确定性网络切片关联方法，其特征在于：步骤S1具体为：步骤S11：基于体现业务意愿的确定性网络数据集；步骤S12：通过词嵌入张量把业务意愿的功能与设施的网络功能进行对应，业务意愿的性能与设施各网络功能所需要消耗的各种网络资源的数量进行对应；通过语句分块张量把业务场景与网络服务功能链进行对应，从而在进行模型预测时自动添/删相关网络功能；通过位置编码张量标记各个网络功能的位置关系；步骤S13：将步骤S12中得到的3个向量加和形成BERT的输入编码。3.根据权利要求1所述的一种业务意愿与确定性网络切片关联方法，其特征在于：所述步骤S2中：根据节点类型及数量设置多层分级注意力，每一层注意力由节点级和边级两级...

【专利技术属性】
技术研发人员：郑成渝，张骥，汪文勇，蒋成，刘志峰，邹赛，黄大九，苗东，黄鹏声，
申请(专利权)人：中国电信股份有限公司四川分公司，
类型：发明
国别省市：